在電商競爭日益激烈的環境下，物流效率已成為影響消費者體驗與企業成本的重要關鍵。北美家具電商巨頭 Wayfair 近年持續強化物流網路建設，積極將 AI 導入倉儲與配送流程。
透過電腦視覺（Computer Vision）、生成式 AI 與大語言模型（LLM）等技術，Wayfair 正試圖解決家具配送長期存在的尺寸誤差、包裝損壞與配送溝通等難題，進一步提升最後一哩路配送效率。
用智慧視覺精準分配車輛空間，終結空間資源浪費
大型家具物流最大的挑戰之一，在於商品尺寸資訊的準確性。當沙發、餐桌或大型櫥櫃等商品由供應商倉庫出貨時，若尺寸資料出現誤差，往往會導致配送車輛空間規劃失準。實際裝載時才發現貨物無法完全裝入車廂，不得不額外安排運輸資源，增加隱藏物流成本。
為了解決這項問題，Wayfair 導入了視覺隧道系統（Vision Tunnel System），針對新上架商品執行「首件檢查」（First Article Inspection）。當商品首次進入轉運中心時，系統會利用多組感測設備與攝影裝置快速擷取商品的真實尺寸，建立精確的體積資料。這些數據隨後被輸入物流演算法，預測商品在車輛中的空間占用情況以及裝載效率，協助配送系統更精準地安排車輛與路線規劃。透過將視覺辨識與物流演算法深度整合，Wayfair 得以降低因供應商資料不準確而造成的空間浪費，進一步提升整體配送網路的運作效率。
AI 破損檢測：不到 1 秒完成影像分析，出庫前攔截瑕疵
除了尺寸管理之外，Wayfair 也將同一套視覺基礎設施應用於包裹品質檢測。該公司開發名為「Tarragon」的電腦視覺系統，透過偵測模型自動識別包裝損壞情況，希望在商品離開倉庫之前便及早發現問題。
在 Wayfair 配送中心內，高速分揀設備配置了掃描隧道（Sorter Scan Tunnel），包裹通過時，多組線性攝影機會同步拍攝頂部、底部與側面等多個角度的高解析度灰階影像。系統必須在不到 1 秒內完成影像分析與判斷，一旦偵測到嚴重擠壓、破洞、撕裂等可能影響商品安全的包裝缺陷，就會立即向分揀設備發出指令，自動將包裹導向人工處理通道，交由工作人員重新包裝或修復。
LLM 自動聯繫客戶，將配送需求即時通知司機
在配送階段，Wayfair 則將 AI 大型語言模型應用於客戶溝通流程。過去大型家具送達前約 30 分鐘，配送司機或客服人員通常需要逐一撥打電話，確認客戶是否在家，並詢問是否有特殊配送需求。這項流程雖然重要，但高度仰賴人工執行，耗費大量時間與人力。
Wayfair 將司機作業流程、配送規範與客服腳本輸入大語言模型，搭配語音增強技術，建立自動化預配送聯繫系統。系統能主動與客戶進行語音互動，確認收貨狀況並蒐集配送資訊，例如大樓電梯是否故障、物品需放置於後院，或是否有其他進場限制等特殊需求。
這些資訊不會停留在客服系統內，而是直接轉換成 App 通知，即時推送給負責配送的司機。當配送人員抵達現場前，便已掌握完整資訊與客戶需求，能有效降低現場溝通成本與配送失敗風險。
Wayfair 物流運輸主管 Matthew Bennett 表示，司機對這項系統的接受度相當高，因為配送前已能確認客戶確實在家，且相關指示清楚完整，有助於提升執行信心。資訊透明化也降低了內部推動新技術時的阻力，加速自動化流程在組織內的落地應用。
對家具電商而言，最後一哩路向來是成本最高、變數最多的環節，而 Wayfair 的做法顯示，AI 的價值已不再侷限於推薦商品或客服聊天，而是深入實體物流現場，成為提升配送效率與客戶體驗的重要基礎設施。
【推薦閱讀】
◆ 研發週期砍半、搜尋能見度翻倍：聯合利華怎麼用 AI 改造食品事業？
＊本文開放合作夥伴轉載，參考資料：Wayfair 、《Supply Chain Dive》，首圖來源：Wayfair
（責任編輯：廖紹伶）
